Het aanpassen van gigantische taalmodellen (LLMs) vereist enorm veel geheugen en GPU-rekenkracht. Sparse Fine-Tuning is een verzameling technieken waarbij slechts een klein percentage van de gewichten in een model wordt bijgewerkt of ingeschakeld, waardoor de trainings- en geheugenoverhead drastisch daalt.
Artificial Intelligence is niet meer weg te denken uit het bedrijfsleven. Grote taalmodellen (LLM’s) zoals ChatGPT schrijven moeiteloos teksten, analyseren documenten en beantwoorden ingewikkelde vragen. Maar wie AI intensief gebruikt binnen een organisatie, loopt al snel tegen twee grote beperkingen aan: hallucinaties en een gebrek aan specifieke bedrijfskennis.
In plaats van enkel tekst of code te genereren op basis van een directe instructie, gaan autonome AI-agents een stap verder. Ze krijgen een einddoel toegewezen, breken dit zelfstandig op in subtaken, maken een plan van aanpak en voeren acties uit door externe softwaretools en API's te bedienen.
Menselijke communicatie is voor het grootste deel non-verbaal. Een vluchtige spiertrekking rond de ogen, een minimale aarzeling in onze stem of een subtiele verandering van toonhoogte: het zijn de micro-signalen waarmee we onszelf verraden. Waar menselijke gesprekspartners deze signalen vaak missen, kijkt kunstmatige intelligentie (AI) scherper mee dan ooit.
De tijd dat beurshandelaren schreeuwend in kleurrijke jasjes op de handelsvloer stonden, ligt al lang achter ons. De beurs is digitaal geworden, en de nieuwste revolutie wordt niet gedreven door snellere internetkabels, maar door kunstmatige intelligentie (AI). Waar traditionele algoritmes strikte, vooraf geprogrammeerde regels volgen, leert AI zelfstandig van de markt. Wat is de impact hiervan op geautomatiseerd handelen?
